Hierarkkinen Markovin ketju -Monte Carlo
Hierarkkinen Markovin ketju -Monte Carlo (HMCMC) soveltaa MCMC-otantaa hierarkkisiin Bayesiläisiin malleihin, ottaen samanaikaisesti otoksia sekä havaintotason parametrien että niitä hallitsevien hyperparametrien posteriorijakaumista. Tämä mahdollistaa periaatteellisen epävarmuuden etenemisen kaikilla monitason rakenteen tasoilla, yksilöistä ryhmiin ja edelleen populaatioon, käyttäen algoritmeja kuten Gibbsin otantaa, Metropolis-Hastingsia tai Hamiltonin Monte Carloa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
+2 lisää
Lähteet
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
- Robert, C. P. & Casella, G. (2004). Monte Carlo Statistical Methods (2nd ed.). Springer. ISBN: 978-0387212395
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/fi/bayesian/hierarchical-markov-chain-monte-carlo
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Bayesilainen regressioBayesilainen tilastotiede↔ vertaa
- Gibbs-otantaBayesilainen tilastotiede↔ vertaa
- Hamiltonin Monte CarloBayesilainen tilastotiede↔ vertaa
- Hierarkkinen Bayesiläinen päättelyBayesilainen tilastotiede↔ vertaa
- Metropolis-Hastings-algoritmiBayesilainen tilastotiede↔ vertaa
- VariaatioinferenssiBayesilainen tilastotiede↔ vertaa
Tähän viittaavat
Similar methods
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →